Розробка AI-системи міського планування Urban Planning AI
Міське планування традиційно спирається на застарілі дані та експертні судження. AI вносить у цей процес об'єктивну аналітику просторових даних та прогнозування наслідків містобудівних рішень.
Аналіз міського середовища
Якість міського середовища (Індекс КМС):
Мінбуд РФ запровадив Індекс якості міського середовища (КГС) із 36 індикаторів. AI автоматизує збирання більшості даних:
- Street View analysis: Google Street View / Yandex Panoramas → Computer Vision оцінка благоустрою: - Наявність дерев, покриття тротуарів, стан фасадів, освітлення - ResNet50 навчений на оцінках містобудівних експертів → автоматичний скоринг
import torch
import torchvision.models as models
import torchvision.transforms as transforms
from PIL import Image
import requests
class StreetViewQualityAnalyzer:
"""Оценка качества городской среды по снимкам street view"""
QUALITY_ASPECTS = ['greenery', 'walkability', 'lighting',
'building_condition', 'cleanliness', 'safety_perception']
def __init__(self, model_path):
self.model = models.resnet50(pretrained=False)
self.model.fc = torch.nn.Linear(2048, len(self.QUALITY_ASPECTS))
self.model.load_state_dict(torch.load(model_path))
self.model.eval()
self.transform = transforms.Compose([
transforms.Resize(256), transforms.CenterCrop(224),
transforms.ToTensor(),
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
])
def score_location(self, lat, lon, yandex_api_key):
"""Оценить качество среды в точке по панорамным снимкам"""
# Получить panorama ID от Яндекс.Карт
url = f"https://api.maps.yandex.ru/1.x/?apikey={yandex_api_key}&ll={lon},{lat}&type=panorama"
panorama_img = self._fetch_panorama(url)
if panorama_img is None:
return None
x = self.transform(panorama_img).unsqueeze(0)
with torch.no_grad():
scores = torch.sigmoid(self.model(x))[0]
return dict(zip(self.QUALITY_ASPECTS, scores.tolist()))
Pedestrian Comfort Index:
Тепловий стрес, шум, забруднення повітря + просторова близькість активних фасадів → інтегральний індекс пішохідного комфорту. Виявлення "мертвих" зон для пріоритетного благоустрою.
Моделювання щільності забудови
Floor Area Ratio (FAR) оптимізація:
Під час проектування нового кварталу: яка щільність забудови оптимальна?
Агент-орієнтована симуляція (Mesa + NetworkX): - Агенти: жителі, автомобілі, пішоходи - Середовище: вулична мережа, транспорт, POI - Імітація життєдіяльності за різних сценаріїв забудови → оцінка навантаження на інфраструктуру
Solar Access Analysis:
3D-модель забудови + сонячний розрахунок → інсоляційний аналіз: - Порушення СанПіН 2.2.1/2.1.1.1076 по інсоляції квартир - Prism simulator (LadyBug для Grasshopper/Rhino) + ML-скоринг - Оптимізація висоти та відступів будівлі для
Транспортне планування
Trip Generation Modeling:
Скільки подорожей генерує нова забудова? - Регресійна модель на даних про поїздки ITE (Institute of Transportation Engineers) - Входи: тип об'єкта, площа, локація (центр/периферія), доступність ОП - Outputs: кількість автомобільних поїздок у пікову годину → необхідна пропускна спроможність
Network Analysis:
- Аналіз зв'язності: як зміниться travel time при новій дорозі/маршруті - Betweenness centrality дорожнього графа → критичні ланки - Вразливість: що буде при відключенні X вузлів (стійкість при аваріях)
Ухвалення рішень
Multi-Criteria Decision Analysis (MCDA):
Вибір місця для нового об'єкта (школа, парк, транспортний вузол): - критерії: доступність для цільової групи, вартість землі, навантаження на інфраструктуру - ваги критеріїв: експертне введення + AHP (Analytic Hierarchy Process) - карта пріоритетності: де найкраще розмістити об'єкт
Генеративний містобудівний дизайн:
Завдання параметрів (PLU (Plan Local d'Urbanisme), норми, бюджет) → AI генерує варіанти забудови кварталу: - Diffusion models для генерації планувальних схем
Термін розробки: 5-9 місяців для Urban Planning AI системи з просторовим аналізом, street view scoring та моделюванням сценаріїв.